跳到正文
11月17日周二
  1. arXiv · AI29

    ToolGraph 作为测试时扩展中工具使用智能体的 Q 函数

    ToolGraph 将工具依赖编译为有向加权图,用于估计目标条件下的动作价值 Q(s,a,g)。 在两个基准和三个骨干模型上,基于 LLM 的估算器在平均 8.3 分上超越 PageRank 检索,因为纯结构估算器无法区分错误参数。 该研究发表于 NeurIPS 2026 的 PTA 研讨会,强调了读取具体状态对多步价值组成的必要性。

  2. arXiv · AI21

    VAHBench:面向智能体长视频生成的基准测试

    VAHBench 评估智能体将用户请求转化为完整视频的能力,通过 48 种配置下的 240 次运行测试发现,视频生成的高质量分数并不等同于交付的完整性。 测试显示,缺失剧集、重复片段和静态填充物揭示了生产过程与用户要求之间的差距,添加的构图工具虽有帮助但未能一致提升性能。

  3. arXiv · AI20

    EVIDENT:评估 GUI 智能体证据基础的新基准

    EVIDENT 是一个包含 220 项真实任务的新基准,用于评估 GUI 智能体决策是否基于可观察证据。 通过 TSR、ESR 和 GSR 三项指标区分表面任务完成与证据基础成功,实验显示在上下文和视觉任务中两者存在显著差距。 该工作揭示了当前评估方法可能高估智能体可靠性的问题。

  4. arXiv · AI35

    LLM Agent 引导 SMT 求解器配置调优

    LLM Agent 首次应用于 SMT 求解器配置调优,基于 cvc5 记录 4,545 次提案。 在 2026 和 2025 SMT-COMP 验证基准中,未训练数据几何均值增益分别为 7.8% 和 6.8%。 Agent 引导的调优能让成熟求解器特化,实验证据积累可指导持续搜索。

  5. arXiv · AI28

    FinVerify:金融智能体数值声明验证框架

    FinVerify 是基于证据验证金融智能体数值声明的框架,在 Agent Finance Reasoning 数据集上将声明精确度从 56.4% 提升至 76.7%。 该框架定义五类错误并采用 LLM 结合 Z3 求解器进行验证,在 XBRLFiling 数据集上达到 99.8% 的声明精确度和 97.0% 的决策准确率。 研究表明显式的证据验证能提升可靠性,但存在正确率与拒绝率之间的权衡。

  6. arXiv · AI48

    基于情景与程序记忆的矩阵方法用于工具代理与机器人

    针对智能体重复失败动作及误信自身成功的问题,该方法构建了包含联想矩阵与有序步骤记录的双部分记忆系统。 仅由外部验证(测试、工具或人工)确认的结果才计入学习,代理自身声称成功不被采信。 模拟显示,引入外部验证后机器人任务解决率从 35% 提升至 79%,10 万条记忆检索耗时 16ms。

  7. arXiv · AI28

    Query-ATLAS:基于 LLM 的分布式科学发现中的自适应工具选择框架

    Query-ATLAS 框架利用 LLM 在分布式系统中引导符号搜索,实现了跨客户端共享方程的识别。 在 72 个设定中,该框架取得 64 次验证通过和 64 次分布内通过,优于固定工作流的 62 次和 59 次;两者在分布外测试中均通过 47/60 项,且固定工作流保留了更低的误差和成本。 研究指出更广泛的查询覆盖是潜在优势,推动了对任务感知工具选择和客户端感知拟合的关注。

  8. arXiv · AI27

    RISE:面向 LLM 智能体推理的交互式结构化环境扩展方法

    RISE 通过从静态子图转向全规模交互式数据库,解决了现有结构化环境预过滤导致的测量偏差问题。 方法包含决策空间扩展与学习前沿扩展两条轴线,在 19 个基准和 3 种模型基座上进行测试。 结果显著提升领域内及未见模式的知识图谱推理能力,并实现零样本开放领域检索迁移。

  9. arXiv · AI32

    假设链中,提出正确问题是 AI 发现的关键

    研究显示,Claude Sonnet 5.5 和 GPT-6.1-Sol 在忽略窄峰数据的 32 次闭环测试中,采样频率低于随机搜索。 严格遵循模型分歧的代理在全部 32 次测试中均漏掉窄峰,早期探测未测间隙并跟进异常则能实现发现。 仅测当前模型分歧区不足够,提出指向未测区域的新问题是 AI 在假设链中发现的关键。

  10. arXiv · AI37

    AI 智能体计划承诺的阈值理论:何时修复、重新规划或放弃

    论文提出 AI 智能体应对执行中断的最优策略,基于有效中断深度的阈值决定修复、重新规划或放弃目标。 模型显示单次故障需重新验证 1+R(G)/n 个动作,串行计划在原始损伤约为并行计划 w 倍时切换至重新规划。 数值检查器通过 160 万次静态模型评估验证命题,零违规,且复现基准测试的区间翻转。

  11. arXiv · AI27

    DH-BPR:基于 LLM 的数据驱动启发式业务流程再造框架

    DH-BPR 框架结合 LLM 与规则技术,通过事件日志自动检测并应用业务流程再造启发式规则,最终输出优化后的 BPMN 模型及资源模型。 该框架实现了从用户驱动向数据驱动的转变,支持联合设计与记录应用计划。基于合成基准及两个真实事件日志的模拟评估显示,该框架将平均案例完成时间最多缩短 61.5%。

  12. arXiv · AI20

    面向社会部署 AI Agent 的行为保证评估框架

    研究人员提出针对社会部署 AI Agent 的行为一致性评估框架,通过标准化测试电池测量行为差异、一致性及漂移。 该框架沿五个可测量轴操作化 Agent 行为,覆盖六种社会敏感交互场景,利用受控 persona 配置作为实验锚点验证行为差异的持久性。 此工作将焦点从 persona 设计转向行为保证,为评估 AI Agent 是否在用户遭遇的各种情境中按预期一致且可测量地运作提供了基础。

  13. arXiv · ML21

    纵向用药轨迹知识引导局部到全局异常学习框架

    针对纵向用药轨迹中的异常检测,该研究提出知识引导局部到全局(L2G)异常学习框架,通过三级代理监督和共享评分头实现局部偏差与账户级决策的关联。 该框架利用药物多集编码器和因果访问序列编码器生成访问级异常日志,并通过Top-α聚合推导账户级分数。在City-A城市队列实验中,L2G表现优于最强基线方法,且在跨城市定位任务中展现出更一致的性能提升。

  14. arXiv · AI36

    LLM 智能体授权机制的审计:跨模型、执行框架与工作流层级的实证研究

    研究形式化了拒绝安全性与有界授权完整性,针对3个模型、5种提示策略、4种运行时审批设计等配置,审计了模型选择、执行框架调度及工作流路由三个执行边界。 实验发现300次批准中有7次未完成,并行确认导致每个模型在3个任务中丢失已批准分支,336/672个CrewAI批准被遗漏,且59个n8n工作流中有4个在拒绝后仍执行。

  15. arXiv · AI20

    Agent 如何在动态环境中选择性更新场景记忆

    研究发现,通过有限预算更新参数化语义记忆,Agent 可在引入新事实的同时保留旧信息。 使用冻结的 4B 语言模型配合 LoRA 微调,随着更新预算从 8 增至 32,联合成功率从 6.25% 大幅提升至 94.79%。 该机制有效解决物理 AI 系统在场景配置变化时的记忆冲突问题。

  16. arXiv · AI27

    FundingClaw:自动化科研基金申请书写作智能体系统

    多智能体框架 FundingClaw 基于模板驱动技能选择,使单一研究简报可为 NSFC、NSF、KAKENHI 或 ERC 生成合规申请。 采用蓝图骨架策略先起草结构化大纲再撰写正文,通过多源验证 PI 记录及可选 PDF 提取代表作,在十个研究主题的八维评分中优于基线模型。 代码将在论文被接收后发布,旨在降低基金申请中重复性格式转换的人工负担。

  17. arXiv · AI26

    AGPV 通过智能体引导过程验证提升数学推理自纠正准确率

    AGPV 在五个数学推理数据集上实现平均准确率 63.8%,较最强基线提升 13.5 个百分点。 该方法将解题分解为关键声明序列,结合共享数学工具箱与完整性验证,证明了在覆盖充分时的正确性保障。 评测涵盖 DeepSeek、Qwen 及 GPT 四个模型,显示 AGPV 的修复覆盖率高于程序化验证基线。

  18. arXiv · ML35

    Qwen3.5-27B 能否在上下文中调优聚类算法

    Qwen3.5-27B 在 5 个合成聚类场景中表现良好,其智能体循环产生的 silhouette 分数接近网格搜索,但迭代次数大幅减少。 实验分为三步:区分最优聚类、为可视化结果打分,以及通过 VLM 调整 k-means 超参数。 研究证实 VLM 视觉反馈可自动调优聚类算法,但在噪声和模糊设置中表现挣扎。

  19. arXiv · ML35

    ECOD: 用于多轮智能体的经验校准策略蒸馏

    提出ECOD方法,在ALFWorld和WebShop基准上,使用Qwen2.5-1.5B和7B模型时,将标准OPD的相对成功率提升最高4.06%。 通过在任务、轨迹和回合层面分配教师监督,ECOD在ALFWorld未见任务上实现6.20%平均相对增益,WebShop增益介于2.29%至21.60%。 该机制可作为跨不同蒸馏目标的可复用监督分配方法。

  20. arXiv · AI33

    通过参数合并恢复 VLA 模型中的 VLM 能力

    提出通过合并 Vision-Language-Model 与 Vision-Language-Action 参数来对抗微调导致的灾难性遗忘。 具体方法是提取任务向量并经 SVD 分解,学习标量混合系数以优化保留 VLA 适配比例。 实验显示合并模型在动作预测与视觉语言理解上均优于现有基线,已获 EACL 2027 接收。

  21. arXiv · AI31

    SPLICE: 结构化提示词局部迭代组合进化框架

    提出 SPLICE 统一 NLO 框架,将优化建模为受限组合搜索,解决全局重写不安全等失败模式。 该框架通过块级可变性保持契约文本,结合精英束搜索及长度正则化,提供形式化保证。在七个公开基准上,SPLICE 在四项中获胜,其余三项与最强先前方法持平。

  22. arXiv · AI25

    Agents Cannot Hand Over What They Have Not Yet Understood

    研究显示AI代理在传递任务时,无法保留尚未完全理解的隐性知识。 在包含隐藏规则的56个交互世界中,八代代理链的学习效率远低于拥有完整历史记录的单一代理,表现仅相当于单一代理的前四代。 将笔记压缩至300字符会造成显著的信息丢失,即使基于全记录重写也只能恢复70%-82%的损失。 这表明代理只能传递其已理解的内容,尚未发现的规则会在交接中永久丢失。

  23. arXiv · NLP35

    MindTopo:基础模型能否在拓扑空间中推理?

    MindTopo 基准测试涵盖连续性、分离、顺序、封闭及拓扑结五个维度,包含3900个核心实例。 针对13个多模态大语言模型评估显示,模型在推理任务中表现优于规划,但在简单层级上仍落后于人类。 该测试揭示基础模型在闭环智能体规划及视频生成校验中仍存在显著局限。

  24. arXiv · NLP30

    CapCode 框架如何通过随机化测试检测并防止编码智能体作弊

    CapCode 框架通过构建非作弊得分上限低于 100% 的随机化测试数据集,有效检测编码智能体通过走捷径获取的高分作弊行为。CapReward 基于该原则设计奖励机制,抑制超出上限的优化,使模型更严格遵守任务规范。实验显示该方案在检测作弊的同时保留了模型性能排名,NeurIPS 2026 收录。